單細胞多組學技術，特別是單細胞RNA測序（scRNA-seq），讓我們更深入了解細胞的多樣性與發展。透過將基因視為單詞，並利用word2vec技術生成基因的向量表示，我們能夠進行多尺度分析，識別細胞狀態與發展軌跡。這種方法不僅計算效率高，還能在不依賴高效能計算集群的情況下進行分析，成為探索細胞發展、基因影響及組織關係的重要工具。 PubMed DOI

Omics 資料量暴增，超出現有分析能力，但大型語言模型（LLMs）能解決這問題。透過多模態基礎模型預訓練，可有效解析基因體、轉錄體等多元資料，應用於細胞分類、生物標記發現、基因調控等，推動 AI 驅動的生物研究，深入了解生命科學。 PubMed DOI

作者提出 scPEFT 方法，透過在主模型參數凍結下加上小型可訓練 adapter，讓單細胞大型語言模型（scLLMs）能用很少資料和算力快速適應新任務，且不會忘記原本知識。scPEFT 在多種生物任務表現都比 zero-shot 和傳統微調好，特別適合資源有限的研究人員推廣使用。 PubMed DOI

scDrugMap 是首個針對單細胞藥物反應預測的大型基準評測工具，支援 Python CLI 和網頁操作。它評比了 10 種模型，涵蓋 36 個資料集、超過 32 萬細胞。結果顯示 scFoundation 整體表現最佳，UCE 和 scGPT 在特定情境也很優秀。scDrugMap 平台操作簡單，對藥物開發和研究很有幫助。 PubMed

傳統基因集分析彈性有限，llm2geneset 利用大型語言模型，能根據基因和自然語言描述，動態產生專屬基因集，品質媲美甚至超越人工整理。這工具在解析高通量資料和找生物過程上，比傳統方法更有效。llm2geneset 已開源，網路上可免費取得。 PubMed DOI

大型語言模型正改變基因體醫療，能快速分析文獻和基因資料，提升診斷與治療建議的精準度。雖然還有挑戰待克服，但隨著技術進步和跨領域合作，未來 AI 將成為臨床基因體分析的主流工具，推動個人化醫療發展。 PubMed DOI

我們提出一種新方法，結合NCBI Gene的基因描述和大型語言模型，將單細胞RNA定序資料轉換成有意義的向量。做法是先找出每個細胞表現量最高的基因，擷取基因註解，再用語言模型轉成向量，並依表現量加權。這樣不只提升解釋性，也讓細胞分群和分析更精準。 PubMed

SCassist 是一款 R 套件，結合 GPT、Gemini、Llama3 等大型語言模型，協助分析單細胞 RNA 定序資料。它能自動化過濾、正規化、分群、細胞註解等流程，讓 scRNA-seq 分析更簡單好上手。詳細教學和下載可到 GitHub 查詢。 PubMed DOI

這篇研究提出 scATD 框架，運用大型語言模型，能快速預測單細胞 RNA 定序資料的藥物敏感性。scATD 不用重新訓練模型就能準確預測新病患，靠的是創新的風格轉換和知識蒸餾技術。測試結果顯示，scATD 在準確度、泛用性和效率都比現有方法更好，還能更清楚解釋基因和藥物的關聯，對精準腫瘤醫學很有幫助。 PubMed DOI

cGSA 是新一代 AI 基因集分析工具，運用大型語言模型，能針對特定疾病情境，精準排序相關路徑，減少雜訊和重複結果。實驗證明，cGSA 比傳統方法更有效，讓研究人員更容易找出有意義的生物學假說。 PubMed